公开(公告)号：CN116562251B

公开(公告)日：2024-09-27

申请号：CN202310569275.6

申请日：2023-05-19

申请人： 中国矿业大学(北京)

发明人： 李佳静 ,  贾网 ,  孟涛 ,  戴媛媛 ,  董泽信 ,  李小龙 ,  李盛 ,  罗小清

IPC分类号： G06F40/18 ,  G06F40/205 ,  G06F40/284 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种面向证券信息披露长文档的表格分类方法，具体如下：步骤1、获得证券信息披露长文档的PDF文件，并进行解析；步骤2、依据关键词和上下文抽取算法，从解析后的PDF结构的证券信息披露长文档中抽取待分析的表格及其上下文；步骤3、预处理表格及其上下文，形成词嵌入模型训练上下文样本集合与表格分类样本集合；步骤4、通过上下文样本集合训练词嵌入模型；步骤5、使用训练获得的词嵌入模型对预处理后的表格及其上下文进行词嵌入表示，并使用不同的多尺度卷积神经网络，对表格及其上下文进行特征提取；步骤6、对提取到的表格及其上下文特征采取特征扩展融合方式，得到特征融合结果进行表格分类。本发明能快速准确的获取待分析表格。

公开(公告)号：CN116311259B

公开(公告)日：2024-03-12

申请号：CN202211562314.1

申请日：2022-12-07

申请人： 中国矿业大学(北京)

发明人： 李佳静 ,  董泽信 ,  戴媛媛 ,  贾网 ,  李小龙 ,  李盛 ,  孟涛

IPC分类号： G06V30/14 ,  G06V30/146

摘要： 本发明公开了一种PDF业务文档的信息抽取方法，涉及文件信息抽取和数据处理领域，包括如下步骤：步骤1、对PDF业务文档的每个页面进行解析，得到表格线列表；步骤2、若能够为一个字符对象生成最小单元格，则判定该字符对象为表格字符；否则判定该字符对象为非表格字符；步骤3、对所有的非表格字符以坐标信息进行拼接、分段，完成非表格区域的文本抽取，并得到每个非表格字符段的中心点的坐标；步骤4、根据非表格字符段的中心点的坐标，对所有最小单元格所属的表格区域进行划分，得到表格区域列表；步骤5、对表格区域列表完成结构和区域文本的抽取。本方法能够提高PDF业务文档，尤其是包含复杂表格的金融披露文档中信息抽取的精度。

公开(公告)号：CN116562251A

公开(公告)日：2023-08-08

申请号：CN202310569275.6

申请日：2023-05-19

申请人： 中国矿业大学(北京)

发明人： 李佳静 ,  贾网 ,  孟涛 ,  戴媛媛 ,  董泽信 ,  李小龙 ,  李盛 ,  罗小清

IPC分类号： G06F40/18 ,  G06F40/205 ,  G06F40/284 ,  G06N3/0464 ,  G06N3/08

摘要： 本发明公开了一种面向证券信息披露长文档的表格分类方法，具体如下：步骤1、获得证券信息披露长文档的PDF文件，并进行解析；步骤2、依据关键词和上下文抽取算法，从解析后的PDF结构的证券信息披露长文档中抽取待分析的表格及其上下文；步骤3、预处理表格及其上下文，形成词嵌入模型训练上下文样本集合与表格分类样本集合；步骤4、通过上下文样本集合训练词嵌入模型；步骤5、使用训练获得的词嵌入模型对预处理后的表格及其上下文进行词嵌入表示，并使用不同的多尺度卷积神经网络，对表格及其上下文进行特征提取；步骤6、对提取到的表格及其上下文特征采取特征扩展融合方式，得到特征融合结果进行表格分类。本发明能快速准确的获取待分析表格。

公开(公告)号：CN116311259A

公开(公告)日：2023-06-23

申请号：CN202211562314.1

申请日：2022-12-07

申请人： 中国矿业大学(北京)

发明人： 李佳静 ,  董泽信 ,  戴媛媛 ,  贾网 ,  李小龙 ,  李盛 ,  孟涛

IPC分类号： G06V30/14 ,  G06V30/146

摘要： 本发明公开了一种PDF业务文档的信息抽取方法，涉及文件信息抽取和数据处理领域，包括如下步骤：步骤1、对PDF业务文档的每个页面进行解析，得到表格线列表；步骤2、若能够为一个字符对象生成最小单元格，则判定该字符对象为表格字符；否则判定该字符对象为非表格字符；步骤3、对所有的非表格字符以坐标信息进行拼接、分段，完成非表格区域的文本抽取，并得到每个非表格字符段的中心点的坐标；步骤4、根据非表格字符段的中心点的坐标，对所有最小单元格所属的表格区域进行划分，得到表格区域列表；步骤5、对表格区域列表完成结构和区域文本的抽取。本方法能够提高PDF业务文档，尤其是包含复杂表格的金融披露文档中信息抽取的精度。